XiaoMi-AI文件搜索系统
World File Search System谱密度
缓解慢性疼痛与中线额叶 θ 波功率增加相关
摘要 简介：有必要确定客观的皮质电生理相关因素，以缓解疼痛，从而可能有助于更好地管理疼痛。然而，开发用于缓解疼痛的大脑生物标志物领域仍未得到充分探索。 目的：本研究的目的是研究与缓解慢性疼痛相关的皮质电生理相关因素。疼痛缓解的这些特征可以作为治疗疼痛的新治疗干预措施的潜在目标。 方法：在 12 名接受临床指征神经阻滞手术的上肢或下肢慢性疼痛患者中，通过脑电图记录神经阻滞手术前和手术后 30 分钟的大脑活动。为了确定缓解慢性疼痛的具体皮质电生理相关因素，12 名接受冷压试验以诱发实验性急性疼痛的健康参与者被用作对照组。对数据进行分析，以表征疼痛缓解的功率谱密度模式，并确定其在皮质层面的源发生器。 结果：慢性疼痛缓解与额叶区域的 delta、theta 和 alpha 功率显著增加有关。然而，只有中额叶 θ 波功率增加与疼痛强度降低幅度呈显著正相关。θ 波功率反弹的来源位于左背外侧前额叶皮层 (DLPFC) 和中线额叶皮层。此外，中线额叶皮层的 θ 波功率增加在慢性疼痛缓解时明显高于急性疼痛缓解。结论：这些发现可能为通过调节中线额叶 θ 波振荡来缓解慢性疼痛提供依据。
原子和分子连接中的量子闪烁噪声
闪烁噪声通常被视为本质上最普遍的噪音（参见，例如，参考文献。[1 - 4]）。它也可以实现实验性访问并进行了广泛的研究。然而，实际上，射击噪声是用于量子传输和相关多体效应的基本表征的主要噪声。这是由于其相对小信号所涉及的射击噪声所涉及的挑战。具体而言，量子相干调节器中电子电导和射击测量的组合已被广泛用于提取有关量子传输的信息。例如，这种测量在分析分数量子霍尔效应[5,6]，近距效应[7,8]，自旋极化的量子传输[9-14]，电子 - phonon相互作用[15-18]中起着核心作用，并在揭示了局部原子结构对原子质和分子的影响方面[19-14]电子射击噪声是信息的有用来源，因为它取决于传输通道的分布，这决定了Landauer形式主义框架中的量子传输[25]。对于ev≫k b t，[12,25] ssn¼2eif给出了射击噪声在传输通道上的功率谱密度的依赖性，其中f¼½piτiτið1 -τið1 -τi= p iτi是fano因子是fano因子，并且τi是i th ins of the th ins of the th频道的传输可能性（ Boltzmann的因子；考虑电导G对传输通道的明显依赖性[25]，g¼g0 piτi，其中g0¼2e 2 = h是电导量子（H，Planck的常数），射击噪声和电导可以提供有关量子轴承中传输通道分布的信息，并允许多个量子相互作用的探索量量的量化量。
基于脑电信号的深度神经网络——...
摘要：背景。对于运动受限或没有运动能力的患者，需要使用脑电图 (EEG) 信号进行心理任务识别。可以应用与受试者无关的心理任务分类框架来识别没有可用训练统计数据的受试者的心理任务。深度学习框架在研究人员中很受欢迎，用于分析空间和时间序列数据，使其非常适合对 EEG 信号进行分类。方法。在本文中，提出了一种深度神经网络模型，用于从 EEG 信号数据中对想象任务进行心理任务分类。通过应用拉普拉斯表面对从受试者获取的原始 EEG 信号进行空间滤波后，获得 EEG 信号的预计算特征。为了处理高维数据，进行了主成分分析 (PCA)，这有助于从输入向量中提取最具鉴别力的特征。结果。提出的模型是非侵入性的，旨在从从特定受试者获取的 EEG 数据中提取心理任务特定特征。训练是在除一名受试者之外的所有受试者的平均组合功率谱密度 (PSD) 值上进行的。使用基准数据集评估了基于深度神经网络 (DNN) 的所提模型的性能。我们实现了 77.62% 的准确率。结论。性能和与相关现有工作的比较分析验证了所提出的跨受试者分类框架在根据 EEG 信号执行准确的心理任务方面优于最先进的算法。
使用机器学习算法预测癫痫发作的智能设备
摘要：超过 6500 万人患有癫痫。癫痫发作的不可预测性大大增加了受伤的风险，尤其是在行走或驾驶等日常活动中。该项目的目的是开发一种精确的预测设备，利用原始脑电图数据预测癫痫发作，提前提醒患者即将发作，以逃离危险情况。使用原始脑电图数据，通过应用快速傅里叶变换计算不同脑波的平均功率谱密度来提取特征。这些特征被用作机器学习算法的输入数据集。每个模型都使用各种指标（例如准确度、精确度、召回率和 F1 分数）用新的未见数据进行测试。性能最高的算法随机森林 (RF) 的预测准确率为 99.0%，精确度为 99.3%。计算了 RF 算法的通道重要性。此分析有助于将通道数量从特征重要性之前的 22 个减少到仅 7 个，而性能指标没有显著影响。使用 RF 算法，开发了一个嵌入式程序，运行在便携式低功耗硬件设备上，以预测癫痫发作的发生。该硬件包括运行开源软件的 BeagleBone Black 微控制器和蓝牙发射器-接收器，用于将预测传输到智能手机设备。通过将 EEG 通道数量减少到 7 个通道，该系统更适合未来的可穿戴设备。具有预测癫痫发作能力的硬件可以使许多患者免于驾驶或游泳等潜在危险情况。它可以通过消除不确定性和改善他们的生活质量来帮助许多患者的日常生活。
定量脑电图分析在典型缺席时
典型的缺席癫痫发作是一种广义的癫痫事件，其特征是意识突然变化，这是各种广义癫痫综合症的标志。区分类似的发发中肠和发作脑电图（EEG）癫痫样模式带来了挑战。然而，定量性脑电图，特别是针对脑电图节奏的光谱分析，显示出可能存在的潜力。本研究旨在研究与间歇性状态相比，在剧院前和剧院后期的EEG光谱动力学和熵模式中可辨认的差异。我们分析了11例确认典型缺勤癫痫发作的患者的20种脑电图症状，并评估了在剧院前，剧院后和间隔间隔期间进行的记录。功率谱密度（PSD）用于定量分析，该分析集中于三角洲，theta，alpha和beta频段。此外，我们使用近似（APEN）和多尺度样品熵（MSE）测量了EEG信号规律性。的发现表明，与间隔间隔相比，尤其是在大脑后部区域中，在截然和术后间隔中，三角洲和theta功率显着增加。我们还观察到熵前后的熵降低，在前脑区域中具有更明显的影响。这些结果提供了有价值的信息，可以在典型的癫痫发作的情况下有助于有助于癫痫样模式。我们发现的含义是对精确医学诊断和患者管理的精确医学方法的希望。总而言之，我们对脑电图数据的定量分析表明，PSD和熵措施具有前景，是将ICTAL与典型缺勤或怀疑典型癫痫发作的患者区分开的潜在生物标志物。
长期精神压力下的大脑功能连接变化 Ali Darzi 1 , Hamed Azami 2 , Reza Khosrowabadi 1 * 1 认知和 B 研究所
摘要 长期心理压力会严重影响大脑结构和功能。然而，只有少数研究使用脑电图 (EEG) 来检验这一事实。本研究展示了一种脑机接口 (BCI)，用于对不同心理状态下长期心理压力的 EEG 相关因素进行分类。这项研究针对 26 名健康的右利手大学生进行，考试期被视为长期精神压力源。根据感知压力量表 (PSS-14) 评估的压力水平，选择两组受试者。在受试者睁眼静息状态下以及暴露于自我评估人体模型问卷 (SAM) 评分的正向和负向情绪刺激时收集他们的 EEG 数据。从 EEG 数据中提取了几种类型的特征，包括功率谱密度 (PSD)、侧化指数 (LI)、相关系数 (CC)、典型相关分析 (CCA)、幅度平方相干估计 (MSCE)、互信息 (MI)、相位斜率指数 (PSI)、格兰杰因果关系 (GC) 和有向传递函数 (DTF)。随后，使用几种类型的分类器对提取的特征进行区分，包括 k-最近邻 (KNN)、支持向量机 (SVM) 和朴素贝叶斯 (NB) 分类器。通过一种遗漏方法验证了所提出的 BCI，并在不同的时间窗口中使用低频和高频分辨率、分别 7 个和 36 个频带进行了调查。结果表明，所提出的系统可以准确识别受试者在不同心理状态下的压力水平。此外，与其他特征提取方法相比，MI 作为功能和 DTF 作为有效的连接方法可产生最高的分类准确率。关键词：长期心理压力、脑电图、情绪状态、分类。
黑海科学机器学习杂志...
阿尔茨海默病是一种神经退行性疾病，会逐渐丧失认知和神经功能，对人类生活产生负面影响，并且是不可逆转的。由于该疾病无法治愈，因此通过早期诊断减缓其进展至关重要。诊断阶段的延长会导致治疗延迟并增加认知和神经系统的损失。本研究的目的是利用机器学习方法根据脑电图（EEG）信号诊断阿尔茨海默病（AD），以尽量减少损失。在研究中，24 名 AD 患者和 24 名健康人的脑电图信号被分为 4 秒的时间段，重叠率为 50%。计算信号的独立成分分析（ICA）值，并根据ICA值从EEG通道中自动去除噪声。每个信号从时间域到谱域的转换都是采用Welch方法进行的。通过Welch频谱分析获得1~30Hz范围内的功率谱密度（PSD）信号，提取20个统计和频谱特征，并建立特征向量。利用Spearman相关系数检验各特征与标签的相关关系，并根据阈值选取9个特征构建新的特征向量。将获得的特征向量中70%作为训练，30%作为测试。采用 10 倍交叉验证对机器学习 (ML) 方法中的支持向量机 (SVM) 和 k-最近邻 (kNN) 方法进行训练和测试，不使用和使用主成分分析 (PCA)。根据准确度、敏感度、特异性、精确度和 F-Score 值对结果进行比较。通过对由20个特征组成的特征向量进行PCA分析，利用SVM取得了AD诊断的最佳准确率（96.59%）。关键词：EEG、阿尔茨海默病、机器学习、SVM、kNN。
n-pep-12补充缺血性卒中后对频域qeeg
摘要背景N-PEP-12是一种饮食补充剂，具有神经保护作用和培养性认知作用，如实验模型和缺血性中风后患者的临床研究所示。我们检验了以下假设：N-PEP-12影响亚急性至慢性上闭塞性缺血性病变的患者的定量电解形态图（QEEG）参数。方法，我们对探索性临床试验进行了二级数据分析（ISRCTN10702895），评估了90天每天治疗90天对神经认知功能和神经记录结果的90天治疗的功效和安全性，对术后认知损害的患者对对照组的患者进行了神经认知功能和神经记录结果。所有参与者在基线时（中风后30 - 120天）和90天后在静止状态和活跃状态下进行了两次32通道QEEG。在Alpha，Beta，Theta，Delta频带，Delta/Alpha功率比（DAR）和（Delta+Theta）/（Alpha+Beta）比（DTABR）（DTABR）上的功率谱密度进行了研究组，并使用手段比较和描述方法进行了比较。其次，探索了QEEG参数与可用的神经心理学测试之间的关联。结果我们的分析表明，在alpha，beta，delta，theta，da和dtab功率频谱密度中，脑电图段（p <0.001）具有统计学上显着的主要影响。在alpha功率中发现了脑电图和时间之间的相互作用效应。在0.05α水平（p = 0.023）中，N-PEP-12补充剂与安慰剂的患者之间的theta光谱功率有显着差异，与时间点无关。需要进一步的研究来巩固我们的发现。结论90天，每天90毫克的N-PEP-12给药对近后缺血性中风后患者的某些QEEG指标产生了重大影响，证实了势后神经记录的可能增强。
利用深度生成模型增强基于脑电图的情绪识别的数据增强
摘要 目的. 脑电图 (EEG) 情绪识别中的数据稀缺问题导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发，我们提出了三种增强 EEG 训练数据的方法，以提高情绪识别模型的性能。方法. 我们提出的方法基于两个深度生成模型，变分自编码器 (VAE) 和生成对抗网络 (GAN)，以及两种数据增强方式，即全部使用和部分使用策略。对于全部使用策略，所有生成的数据都会被增强到训练数据集中，而不会判断生成数据的质量；而对于部分使用策略，仅选择高质量数据并附加到训练数据集。这三种方法称为条件 Wasserstein GAN (cWGAN)、选择性 VAE (sVAE) 和选择性 WGAN (sWGAN)。主要结果. 为了评估这些提出方法的有效性，我们对两个用于情绪识别的公共 EEG 数据集（即 SEED 和 DEAP）进行了系统的实验研究。我们首先以两种形式生成逼真的脑电图训练数据：功率谱密度和差分熵。然后，我们用不同数量的生成逼真的脑电图数据扩充原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，使用原始和扩充的训练数据集构建情感模型。实验结果表明，我们提出的基于生成模型的数据增强方法优于现有的数据增强方法，如条件 VAE、高斯噪声和旋转数据增强。我们还观察到，生成的数据数量应小于原始训练数据集的 10 倍才能达到最佳性能。意义。我们提出的 sWGAN 方法生成的增强训练数据集显著提高了基于脑电图的情绪识别模型的性能。
开发用于新生儿重症监护室婴儿记录的一次性脑电图帽
摘要：在新生儿重症监护病房 (NICU) 进行长期脑电图监测的挑战在于，在技术经验有限的情况下，如何找到建立和维持足够记录质量的解决方案。本研究评估了皮肤电极接口的不同解决方案，并开发了新生儿一次性脑电图帽。将几种替代皮肤电极接口材料与传统凝胶和糊剂进行了比较：导电纺织品（纹理和编织）、导电尼龙搭扣、海绵、高吸水性水凝胶 (SAH) 和水纤维片 (HF)。比较包括对选定材料的脱水评估和信号质量记录（皮肤相间阻抗和电力线 (50 Hz) 噪声）。测试记录是使用集成在前臂袖子或前额带中的按扣电极以及皮肤电极接口来模拟脑电图帽进行的，目的是在未准备的皮肤上进行长期生物信号记录。在水合测试中，导电纺织品和尼龙搭扣表现不佳。虽然 SAH 和 HF 在模拟孵化器环境中保持充分水合超过 24 小时，但海绵材料在前 12 小时内脱水。此外，SAH 被发现具有脆弱的结构，并且在 12 小时后容易产生电气伪影。在电阻抗和肌肉活动记录比较中，厚层 HF 的结果与未经准备的皮肤上的传统凝胶相当。此外，通过 1-2 Hz 和 1-20 Hz 归一化相对功率谱密度测量的机械不稳定性与使用皮下电极的临床 EEG 记录相当。结果共同表明，皮肤-电极界面处的厚层 HF 是无需准备的长期记录的有效候选者，具有许多优点，例如持久的记录质量、易于使用以及与敏感的婴儿皮肤接触的兼容性。